大模型技术发展至今，已从实验室快速走向行业应用。但在工业质检、安全监管、流程控制等对准确性要求极高的场景中，通用大模型常因图像理解失准、检测误差频发、关键结论易生幻觉而难以落地，更无法支撑核心业务决策。如何让大模型在复杂实景中“看得准、靠得住”，成为产业界共同探索的方向。

立足这一共性难题，极视角自主研发了面向产业的新一代自研多模态视觉语言大模型——星际视觉语言大模型4B版本（Stellaris-VL）。该模型基于极视角在计算机视觉领域的十年技术沉淀与行业理解，具备“强性能、低幻觉、可落地”三大核心能力优势，为百业的智能化升级提供了一条更为可靠的路径。

通用大模型在真实产业场景的落地能力亟待提升

当前，主流通用大模型多基于互联网公开数据训练，在开放域问答、图文生成等任务上表现优异。但在进入垂直行业时，模型需要进一步提升对专业化目标类别和细粒度描述（如“压线行驶的车辆”“河面上黄色的渔网”）的精准理解与定位能力。同时，在真实业务数据支撑下，大模型正不断增强生成事实一致结论的能力。对于生产线质量检测、危险区域闯入预警等场景，高可靠性对于避免实际损失至关重要，因此企业对大模型的可靠性保障给予了高度关注。

从数据源头到前沿技术机制：双重保障抑制幻觉

极视角在星际大模型的研发中，将“低幻觉”作为核心指标之一。首先，在数据层面，公司基于十年AI视觉落地积累，建立了超过10亿张真实业务图像的数据集，覆盖工业、能源、零售、交通等多个垂直领域。这些数据来自实际项目中的现场采集与标注，包含不同光照、角度、遮挡条件下的真实场景样本。通过针对不同行业和业务匹配合适的数据样本进行训练，模型在复杂环境中的识别精度和推理稳定性得到有效提升，从源头增强了输出的可靠性。

此外，极视角构建了多维度的专项技术机制，包括细粒度对齐和负样本采样等。细粒度对齐技术使模型能够更精准地关联视觉特征与语言描述；负样本采样则通过让模型学习大量“错误示例”，增强其对合理输出的辨别能力。这些技术共同作用，使得星际大模型在回答与图像内容相关的问题时，能够保持更高的事实一致性和逻辑严谨性。

强性能：从感知到认知的三大关键能力

在性能方面，星际视觉语言大模型重点聚焦开放词汇目标检测（OVD）、指代表达理解（REC）和视觉问答（VQA）等八大能力。

开放词汇目标检测支持用户输入任意词汇指令——例如“车辆”“垃圾”“危险物品”“火焰”等——模型即可识别对应目标并输出定位框，覆盖从生活到产业的“万物识别”需求，无需针对每个新类别重新训练模型。

指代表达理解则进一步提升了模型的精细化感知能力。用户输入短语级描述，如“压线行驶的车辆”或“河面上黄色的渔网”，模型能够快速理解语义并精准定位目标，输出边界框坐标。这一能力在复杂场景下的目标定位中具有实用价值，例如在港口码头识别特定状态的集装箱，或在工厂流水线上定位有缺陷的零部件。

视觉问答能力无需预设问题模板，支持基于图像内容的关联问答交互。模型可快速输出画面解读、结构化分析和推理结果，涵盖状态研判、数量统计、关系推理等多维任务，辅助业务人员进行决策。

此外，星际大模型还具备OCR与文档问答、图像描述等能力，可直接读取图片、票据、报告中的文本信息，或将视觉信息转化为文本描述，辅助人工复核与决策。

低幻觉对真实产业场景的决策价值

对于工业质检、安全监管等场景，AI识别的高可靠性直接助力生产安全和产品质量的提升。星际视觉语言大模型通过数据源头与专项技术机制的双重保障，在实际业务环境中实现了较高的识别准确率和较低的误报率。这使得企业用户可以将模型输出作为可靠的决策参考依据，有效支持生产线上的缺陷检测、高危作业区域的人员行为监控等关键任务。低幻觉特性推动大模型从“技术尝鲜”稳步迈向“业务可用”。

目前，星际视觉语言大模型已在智慧城市、智慧交通、智慧水务、智慧能源、智能制造等多个领域展开应用探索。极视角方面表示，未来将继续深耕多模态大模型技术，持续升级模型的感知、理解与执行能力，并面向不同产业需求推出更多参数版本，加速AI技术与业务场景的深度融合。

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。